DR往往被翻译为数据知识库、数据仓储、数据资源库、数据存储库等。在科研领域和科学数据管理领域, DR的重点往往在于支持科研活动、深化基于数据的知识再利用和再创造, 因此本文中将使用数据知识库。需要指出, 数据知识库本身将随着科技模式、科技环境、以及技术本身的发展而发展, 而且需要通过不同领域、不同应用、不同数据形态等多角度个性化地发展, 因此本文比较开放地定义数据知识库为以存储和管理“科研数据”、支持科研活动及其知识创造的数字知识库, 其中科研数据是指通过采集、实验、观察、整理而形成, 用于科研分析并最终形成科研成果的数字数据^{[ 1]}。

数据知识库承担不断发展更多的数据管理、数据应用的责任, 包括:

(1) 支持对科学数据集的存缴、格式处理、内容描述、长期保存等;

(2) 提供查询、调用、显示等基本服务;

(3) 往往提供对数据进行转换、融汇、可视化等服务或工具;

(4) 可能提供支持数据管理、协同处理、应用控制等服务;

(5) 可由某个机构、领域或者公共第三方建立。

目前, 数据知识库主要分为机构数据知识库、学科数据知识库、多学科数据知识库以及特定项目数据知识库4类^{[ 2]}, 如表1所示:

表1

表1

表1 数据知识库分类说明 中文 分类 英文 分类 描述与 定义 举例说明 机构数据知识库 Institutio-nal DR 服务于具体的大学或科研机构 1) Edinburgh DataShare http://datashare.is.ed.ac.uk 2) Open Data LMU http://data.ub.uni-muenchen.de 学科数据知识库 Disciplin-ary DR 基于学科领域 1) GenBank http://www.ncbi.nlm.nih.gov/gen bank 2) PANGAEA http://www.pangaea.de 多学科数据知识库 Multidis-ciplinary DR 满足多学科需要 1) Dryad http://www.datadryad.org 2) Figshare http://figshare.com 特定项目数据知识库 Project Specific DR 服务于特定项目 1) Scientific Drilling Database http://www.scientificdrilling.org 2) Bern Digital Pantheon Project http://www.digitalpantheon.ch/re pository

表1 数据知识库分类说明

其中, 就数据服务的开放性而言, 学科数据知识库和多学科数据知识库由于面向广泛的科研群体, 开放性最强, 而机构数据知识库和项目数据知识库往往局限于相应机构或项目; 就服务学科领域的深度而言, 学科数据知识库面向特定学科领域、且往往是长期服务, 表现出更强的系统化与专业化服务能力; 就服务学科领域的广度而言, 多学科数据知识库和机构数据知识库明显更有优势。

面对越来越多的各类数据知识库, 发现和利用合适的知识库成为一种挑战, 科研数据知识库注册与目录系统应运而生。当前比较知名的这类系统包括OAD^{[ 3]}、re3data.org^{[ 4]}、Databib^{[ 5]}等, 如表2所示:

表2

表2

表2 典型数据知识库注册目录系统比较 比较项 OAD re3data.org Databib URL http://oad.simmons.edu/oadwiki/Data_repositories http://re3data.org http://databib.org/ 特点描述 通过Wiki形式, 提供开放数据知识库的列表, 按照学科分类组织, 但不提供检索服务。 专门的全球科研数据知识库注册系统, 2012年建立, 提供开放注册、检索服务以及多种分类标识。 标识和定位科研数据知识库, 2011年建立, 提供开放注册, 检索服务, 以及对外的数据及接口服务。 数据条目 (截至2013年9月27日) 开放数据知识库条目: 111 数据知识库条目: 400 开放知识库条目: 149 数据知识库条目: 595 开放获取条目: 517 建设机构 美国西蒙斯学院 德国研究基金会资助, 德国洪堡大学柏林图书情报学院、德国波茨坦地学研究中心和德国卡尔斯鲁厄理工学院联合维护 美国普渡大学

表2 典型数据知识库注册目录系统比较

另一方面, 科技发达国家以及一些国际组织结合政府数据和科研数据开放利用的要求, 积极建设自己的数据门户, 帮助人们发现和利用政府数据和政府资助科研项目数据, 如表3所示。由于政府本身往往是各类数据的主要生产者, 也是科技研究的主要资助者, 这些数据门户已经成为所在国最重要的数据目录。

表3

表3

表3 主要科技大国及世界组织数据门户列表 国家与组织 数据门户URL 美国 http://catalog.data.gov 英国 http://data.gov.uk 法国 http://data.gouv.fr 德国 https://www.govdata.de 加拿大 http://www.data.gc.ca 意大利 http://www.dati.gov.it 日本 http://datameti.go.jp 澳大利亚 http://data.australia.gov.au 中国 http://govinfo.nlc.gov.cn 俄罗斯 http://opengovdata.ru 印度 http://data.gov.in 巴西 http://dados.gov.br 欧盟 http://open-data.europa.eu 经合组织 http://stats.oecd.org 联合国 http://data.un.org 世界银行 http://data.worldbank.org

表3 主要科技大国及世界组织数据门户列表

数据知识库按国家分布统计如图1所示。以美国、英国等国在科研数据知识库数量方面具有较大优势, 包括中国在内的广大发展中国家还存在很大差距。

图1

	Figure Option ViewDownloadNew Window
	图1 数据知识库按国家分布统计

对标有建设年份的433个数据知识库记录统计发现, 建于2000年前的数据知识库占45.27%, 2000年以后的占54.73%, 可见21世纪以来, 各国数据知识库发展建设迅速。笔者进一步分析了2000年以后的各年度数据, 如图2所示, 可见2000年以来数据知识库建设的发展速度总体相对平稳。

图2

	Figure Option ViewDownloadNew Window
	图2 2000年以来数据知识库建设情况统计

数据知识库按学科领域分布统计如图3所示, 生物、环境、地球科学等的数据知识库分布较为广泛, 农业等领域分布相对较少。应积极鼓励各个领域加强数据知识库研究建设。

图3

	Figure Option ViewDownloadNew Window
	图3 数据知识库按学科领域分布统计

如图4所示, 隶属于学科、政府、机构的数据知识库占了绝大多数, 而多学科或隶属于商业、企业的科研数据知识库占据比例非常有限。

图4

	Figure Option ViewDownloadNew Window
	图4 数据知识库按类型统计

根据数据知识库对内容的开放获取、开放重用、开放存储许可, 统计如图5所示。在Databib登记的多数数据知识库允许开放获取和开放重用, 但只有部分允许开放存储。当然, 这些结果与Databib更关注开放数据库有密切关系。

图5

	Figure Option ViewDownloadNew Window
	图5 数据知识库开放程度统计

笔者分析了1983年以来建设的数据知识库的开放获取及开放重用许可情况, 分析了2000年以来建设的数据知识库的开放存储状况(因为开放存储本身的开展较晚), 去除上下限极值后的结果如图6所示, 可见数据知识库的开放获取和开放重用有较为明显的上升, 开放存储稳中略有上升。

图6

	Figure Option ViewDownloadNew Window
	图6 数据知识库开放趋势统计

(1) 简介

GenBank是美国国家生物技术信息中心(NCBI^{[ 10]})建立的基因序列数据库, 致力于收集所有公开可用的DNA序列数据, 为科研人员提供大规模基因组测序数据。作为国际核苷酸序列数据库协作组织的重要成员之一, 为保证数据的覆盖面, GenBank与该组织的其他两个成员日本DNA数据银行(DDBJ^{[ 11]})和欧洲分子生物实验室(EMBL^{[ 12]})建立了相互交换数据的合作关系。

(2) 服务特点

①采用序列标识符及标注元数据信息检索GenBank序列数据;

②采用基于Web的提交工具BankIt、基于FTP的客户端工具Sequin;

③采用NCBI程序组件接口检索、连接、下载序列数据, 提供专门的检索工具Nucleotide;

④采用BLAST(基础的本地比对检索工具)比对查询GenBank序列数据;

⑤对提交的序列数据类型及内容组成有专门的格式要求;

⑥提交者随时可更新修正序列数据;

⑦提交者可指定序列数据的发布共享的时间;

⑧提交者可因版权、专利等提出保护要求, 可不提供公共访问。

(1) 简介

Dryad 国际数据知识库接受与出版的同行评议论文密切相关的科研数据集。 它对数据格式没有专门要求, 对提交的数据文件都给予DOI标识。Dryad与TreeBASE^{[ 13]}、GenBank^{[ 7]}、DataONE^{[ 14]}结成合作伙伴, 相互之间可以进行数据交换。

(2) 服务特点

①支持灵活多样的数据格式、简单的提交模式和多层次的安全访问控制;

②支持与期刊论文和特定数据知识库(如GenBank)的数据关联;

③为数据对象分配DOI标识, 便于数据引用;

④提供人机两种数据索引及检索接口, 提升数据的可见性;

⑤数据内容可以自由下载和重用;

⑥全程监护数据文件与元数据, 保证数据的有效性;

⑦提交者可以自由更新数据文件;

⑧与CLOCKSS合作进行数据长期保存, 可迁移数据格式到最新版本, 保证数据可无限期访问。

(1) 简介

Figshare为科研人员提供发布各类研究产出的平台, 以便研究成果可以更好地被引用、共享和发现。Figshare接受图表、媒体(包括音频)、海报(Poster)、论文(包括预印本)和多文件(文件集)、数据集等, 为所有内容对象分配DOI, 采用CreativeCommons许可协议共享数据, 并且采用Amazon基于云的数据管理系统来保证数据存储的安全和可靠性。

(2) 服务特点

①支持研究者以可引用、可检索、可共享的模式发布数据;

②提供无限的公共存储空间和1GB的私有自由存储空间;

③提供简洁的数据上传模式, 支持多种数据格式的快速上传;

④所有Figshare上的对象被自动分配DOI标识, 便于数据引用;

⑤所有图片和论文采用CC-BY许可, 所有数据集采用CC0许可;

⑥基于云数据管理服务模式, 支持桌面客户端上传工具;

⑦与CLOCKSS合作进行数据的长期保存;

⑧提交者可以在提交数据后自由更新数据文件;

⑨提供数据内容及功能的开放API接口。

三个数据知识库的综合对比分析如表4所示。这三个数据知识库都支持开放获取、开放重用、开放存储, 支持数据集唯一标识、API接口、自由更新, 支持便捷的提交与检索入口。

表4

表4

表4 典型数据知识库实例对比分析 比较项 GenBank Dryad Figshare 年代 1983 2008 2012 国家 美国 美国 英国 DR类型 面向学科 面向多学科 面向多学科 领域 生物信息学 生态学、医学、环境科学、自然科学 工程科学、生命科学、自然科学、人类和社会科学 唯一标识 序列标识符 DOI标识 DOI标识 数据类型 有限数据类型 任何数据类型 任何数据类型 API接口 支持 支持 支持 检索模式 基于检索工具 基于网站 基于网站 提交模式 在线工具+客户端工具上传 简易快速; 在线上传+客户端工具上传 简单快速; 在线 提交 更新模式 随时更新 随时更新 随时更新+版本 控制 开放模式 开放获取、有限重用与部分存储 开放获取、重用与存储 开放获取、重用与存储 许可协议 — CC-BY许可协议 CC-BY和CC0许可协议 长期保存 自己负责 与CLOCKSS 合作 与CLOCKSS合作

表4 典型数据知识库实例对比分析